首页 理论教育电力负荷预测模型及其应用

电力负荷预测模型及其应用

【摘要】:电力负荷量会随着工业生产和气候的变化而变化,所以本书将数据按月份和日期类型来预测电力负荷。为了较充分地利用与电力负荷预测密切相关的天气语言信息,有必要引入模糊逻辑来确定预测日的电力负荷曲线形状。

本节的研究首先从气象的8个基本要素入手,即日最高气温、日最低气温、日平均气温、日平均地面温度、日平均相对湿度、日降水量、日平均风速、日平均总云量等,以陕西省为例,分析其与电力行业的复杂关系。紧密结合人工神经元网络(ANN)和模糊专家系统进行短期负荷预测,而对其变化部分,如气象温度等引起的变化,用模糊专家系统进行处理,以期较为满意的效果。

为了更准确地预测电力负荷,本书将综合模糊逻辑技术和神经网络方法的优点(Tamimi等2000),模型结构如图4-5、图4-6图所示。

图4-5 基于模糊模块的神经网络模型

图4-6 模糊神经元网络结构

(一)原始数据收集

本书采取陕西省9个地市的气象资料来预测电力负荷情况,具体气象指标包括:日降水量、平均地面温度、日平均风速、日平均相对湿度、日平均总云量、日最低温度、日最高温度、日平均温度。电力负荷量会随着工业生产和气候的变化而变化,所以本书将数据按月份和日期类型来预测电力负荷。

(二)模糊化过程(fuzzification process)

随机性反映出电力行业与气象要素之间影响关系的复杂性,对于某些复杂的变化因素,即使知道它们会对电力系统的负荷产生影响,但要定量、定性地判定它们的影响,常常是困难的(夏昌浩等2001),模糊逻辑是一种解决不精确、不完全信息问题的方法。其最大的特点是可以比较自然地处理人类的概念。在这里,概念的外延是模糊的,称之为“模糊概念”。例如,用于描述天气情况的语言变量“晴”、“阴”、“多云”等。为了较充分地利用与电力负荷预测密切相关的天气语言信息,有必要引入模糊逻辑来确定预测日的电力负荷曲线形状。由于各点电力负荷均在最大、最小负荷之间变化,即负荷形状由各点的负荷系数来描述。采用一个简单的三角函数来描述模糊逻辑变量,三个参考点:小(small)、中等(medium)和大(large)将气象指标和电力负荷分为四个部分(牛东晓等2001),如图4-7所示。

图4-7 模糊处理判断函数

具体的模糊处理判断函数可以表示为

每个输入变量在进行模糊化处理前要进行标准化,如公式(4-13)所示

式中lx(i)为标准化系数;l(i)为第i天的值,lmin为最小值,lmax为最大值。